用于头皮脑电图癫痫检测的机器学习算法的临床转化：系统综述
信号处理
2024-08-15 v2 机器学习
摘要
用于癫痫检测的机器学习算法已显示出相当大的诊断潜力，最近报告的准确率达到 100%。然而，只有少数已发表的算法充分满足了成功临床转化的要求。例如，这是因为训练数据的属性可能限制算法的泛化能力，算法性能可能因所使用的脑电图 (EEG) 采集硬件而异，或者运行时处理成本对于实时临床用例可能过于高昂。为了以批判性方式解决这些问题，我们系统性地综述了用于癫痫检测的机器学习算法，重点关注临床可转化性，评估标准包括泛化能力、运行时成本、可解释性以及临床相关性能指标。我们为非专家提供了必要的领域特定知识，以便将模型开发和评估置于适当的背景中。我们希望这种对机器学习算法在潜在现实世界有效性方面的批判性评估能够帮助加速临床转化，并识别当前癫痫检测文献中的空白。
引用
@article{arxiv.2404.15332,
title = {Clinical translation of machine learning algorithms for seizure detection in scalp electroencephalography: systematic review},
author = {Nina Moutonnet and Steven White and Benjamin P Campbell and Saeid Sanei and Toshihisa Tanaka and Hong Ji and Danilo Mandic and Gregory Scott},
journal= {arXiv preprint arXiv:2404.15332},
year = {2024}
}
备注
60 pages, LaTeX; Addition of co-authors, keywords alphabetically sorted, text in figure 1 changed to black, references added ([9],[56] ), abbreviations defined (CNN, RNN), added section 6.4, corrected the referencing style, added a sentence about the existence of non-epileptic attacks, added an explanation about the drawback of the 10-20 system, removed bold from Figure/Table titles